上一篇
HiCo是什么？一文让你看懂HiCo的技术原理、主要功能、应用场景
Ferret-UI 2是什么？一文让你看懂Ferret-UI 2的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
Ferret-UI 2概述简介
Ferret-UI 2是苹果公司推出的多模态大型语言大模型，用在理解和交互移动用户界面。Ferret-UI 2能识别和理解各种移动设备屏幕上的UI元素，执行复杂的用户指令，实时观察用户在移动设备屏幕上的操作，随时准备提供帮助和执行任务。Ferret-UI 2相较于早期版本进行了大幅改进和更新。基于高分辨率图像编码和先进的数据训练方法，提升UI元素的识别精度和交互能力，用户能更自然、高效地与智能设备互动。
Ferret-UI 2的功能特色
多平台支持：Ferret-UI 2能处理包括iPhone、Android、iPad、Webpage和AppleTV在内的多种平台的用户界面。
高分辨率图像感知：基于自适应缩放技术，Ferret-UI 2能在保持原始UI截图分辨率的同时，实现更准确的视觉元素识别。
高级任务训练数据生成：基于GPT-4o和set-of-mark视觉提示，Ferret-UI 2生成用于复杂任务的训练数据，提升模型对UI元素空间关系的理解。
用户中心交互：Ferret-UI 2能理解、执行用户为中心的交互任务，如确认提交、点击按钮等，不仅仅是机械点击。
跨平台迁移能力：Ferret-UI 2展示了强大的跨平台转移能力，能在不同的平台之间迁移和适应。
Ferret-UI 2的技术原理
多模态大型语言大模型（MLLM）：结合视觉感知和语言处理的能力，理解和生成对UI的复杂交互。
自适应N网格机制：基于算法确定最优的网格大小，用最小的分辨率失真和像素变化编码UI截图的每个部分。
动态高分辨率图像编码：用CLIP图像编码器提取全局和局部特征，将特征送入大型语言大模型（LLM）。
视觉采样器：根据用户指令识别、选择相关的UI区域，输出对UI元素的感知或交互描述。
set-of-mark（SoM）视觉提示：在生成训练数据时，用SoM提示增强模型对UI元素空间关系的理解，特别是在多轮感知和交互问答任务中。
端到端训练：模型通过端到端的训练过程，从原始数据注释中学习，生成高质量的训练数据并优化模型性能。
Ferret-UI 2项目介绍
arXiv技术论文：https://arxiv.org/pdf/2410.18967
Ferret-UI 2能做什么？
智能手机和平板电脑：Ferret-UI 2能理解、执行用户在iOS和Android设备上的各种指令，如导航应用程序、发送消息、设置提醒等。
网络浏览：在网页浏览中，帮助用户更有效地与网页元素交互，比如点击按钮、填写表单、导航链接等。
智能电视：对于Apple TV等智能电视平台，提供语音控制和其他交互方式，增强用户体验。
多任务环境：在需要同时处理多个应用程序或窗口的场景中，帮助用户更高效地管理和切换不同的任务。
辅助技术：集成到辅助技术中，帮助残障人士通过语音命令或其他输入方式与设备交互。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
frase
Frase是一种强大的AI驱动的SEO内容优化和写作工具，旨在帮助您充分利用内容。通过建议优化的内容想法，标题优化和SEO关键字研究，Frase使创建...
CareerComposeAI: Cover Letter Powered by GPT
CareerComposeAI是一款基于OpenAI GPT的智能求职信生成器，能够根据LinkedIn职位要求和个人LinkedIn资料，快速生成个...
Meeno
Meeno Technologies Inc. 是一家专注于提供个性化社交健康洞察的公司，旨在帮助用户建立有意义的人际关系。产品目前在美国、英国、加拿...
MonoBar
MonoBar是一个AI辅助的应用程序，可帮助您降低学习成本，提高效率。它提供个性化的学习路径，自动化资源节约，实时分析和报告，工作流程优化，可扩展性...
AFlow
AFlow是一个框架，用于自动生成和优化代理工作流。它利用蒙特卡洛树搜索在代码表示的工作流空间中寻找有效的工作流，替代手工开发，展现出在多种任务上超越...
Airtable ProductCentral
Airtable ProductCentral是一个产品管理平台，它通过整合端到端的工作流程来帮助团队构建更好的产品。它利用人工智能和实时数据可视化，...
xAI API
xAI API提供了对Grok系列基础模型的程序化访问，支持文本和图像输入，具有128,000个token的上下文长度，并支持函数调用和系统提示。该A...
QA-MDT
QA-MDT是一个开源的音乐生成模型，集成了最先进的模型用于音乐生成。它基于多个开源项目，如AudioLDM、PixArt-alpha、MDT、Aud...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
